基于实时神经影像的双手运动技能评估的端到端深度学习方法
信号处理
2025-04-08 v1 机器学习
神经元与认知
摘要
复杂运动技能的实时评估在外科训练和康复等领域是一项挑战。神经影像的最新进展，特别是功能近红外光谱（fNIRS），使得能够高精度地客观评估此类技能。然而，这些技术受到广泛预处理需求的阻碍，以提取神经生物标志物。本研究提出了一种新颖的端到端深度学习框架，直接处理原始fNIRS信号，消除了中间预处理步骤的需要。该模型在来自三个不同双手运动任务——缝合、图案切割和气管插管（ETI）——的数据集上进行了评估，使用了源自训练数据集和保持数据集的性能指标。它在不可见的技能保持数据集上实现了93.9%（SD 4.4）的平均分类准确率和92.6%（SD 1.9）的泛化准确率，留一受试者交叉验证的准确率为94.1%（SD 3.6）。对侧前额叶皮层激活表现出任务特异性的判别能力，而运动皮层激活持续为准确分类做出贡献。该模型还表现出对由延长的任务时段引起的神经血管耦合饱和的抵抗力，在各次试验中保持稳健的性能。比较分析证实，端到端模型的性能与针对完全处理的fNIRS数据优化的基线模型相当或更优，具有统计学上相似（p<0.05）或更优的预测准确率。通过消除对广泛信号预处理的需求，这项工作为在医疗训练环境中实时、无创评估双手运动技能奠定了基础，并在机器人技术、康复和体育方面具有潜在应用。
引用
@article{arxiv.2504.03681,
title = {End-to-End Deep Learning for Real-Time Neuroimaging-Based Assessment of Bimanual Motor Skills},
author = {Aseem Subedi and Rahul and Lora Cavuoto and Steven Schwaitzberg and Matthew Hackett and Jack Norfleet and Suvranu De},
journal= {arXiv preprint arXiv:2504.03681},
year = {2025}
}